Monotone Individual Fairness

要約

私たちは、オンライン学習の問題を個人の公平性とともに再検討します。オンライン学習者は、類似した個人が同様に扱われるようにしながら、予測精度を最大化するよう努めます。
まず、Gillen らのフレームワークを拡張します。
（2018年）;
ベチャヴォドら。
(2020) では、モノトーン集計関数と呼ばれるリッチ クラスを使用して、任意の数の監査人からのフィードバックを集約できる監査スキームを検討しているため、公平性違反に関する人間の監査人からのフィードバックに依存しています。
次に、そのような監査スキームの特徴を証明し、複数の監査人による個別の公平性に関する監査の分析を、（インスタンス固有の）単一の監査人による監査に実質的に削減します。
一般化されたフレームワークを使用して、$(\mathcal{O}(T^{1/2+2b}),\mathcal{O}(T^{3/4-) の上限フロンティアを達成するオラクル効率の高いアルゴリズムを提示します。
b}))$ はそれぞれ後悔、公平性違反の数、$0\leq b \leq 1/4$ です。
次に、肯定的に予測された個人のみにラベル フィードバックが利用できるオンライン分類設定を研究し、$(\mathcal{O}(T^{2/3+2b}) の上限フロンティアを達成するオラクル効率の高いアルゴリズムを提示します。
,\mathcal{O}(T^{5/6-b}))$ は後悔、公平性違反の数、$0\leq b \leq 1/6$ の場合。
どちらの設定でも、当社のアルゴリズムは、オラクル効率の高いアルゴリズムの最もよく知られている限界を改善します。
さらに、当社のアルゴリズムは計算効率を大幅に向上させ、ラウンドごとに必要な (オフライン) 最適化オラクルの呼び出し数を $\tilde{\mathcal{O}}(\alpha^{-2})$ に大幅に削減します。
完全情報設定、および部分情報設定の $\tilde{\mathcal{O}}(\alpha^{-2} + k^2T^{1/3})$ ($\alpha$ は感度)
公平性違反を報告するためのもので、$k$ はラウンド内の個人の数です。

要約(オリジナル)

We revisit the problem of online learning with individual fairness, where an online learner strives to maximize predictive accuracy while ensuring that similar individuals are treated similarly. We first extend the frameworks of Gillen et al. (2018); Bechavod et al. (2020), which rely on feedback from human auditors regarding fairness violations, as we consider auditing schemes that are capable of aggregating feedback from any number of auditors, using a rich class we term monotone aggregation functions. We then prove a characterization for such auditing schemes, practically reducing the analysis of auditing for individual fairness by multiple auditors to that of auditing by (instance-specific) single auditors. Using our generalized framework, we present an oracle-efficient algorithm achieving an upper bound frontier of $(\mathcal{O}(T^{1/2+2b}),\mathcal{O}(T^{3/4-b}))$ respectively for regret, number of fairness violations, for $0\leq b \leq 1/4$. We then study an online classification setting where label feedback is available for positively-predicted individuals only, and present an oracle-efficient algorithm achieving an upper bound frontier of $(\mathcal{O}(T^{2/3+2b}),\mathcal{O}(T^{5/6-b}))$ for regret, number of fairness violations, for $0\leq b \leq 1/6$. In both settings, our algorithms improve on the best known bounds for oracle-efficient algorithms. Furthermore, our algorithms offer significant improvements in computational efficiency, greatly reducing the number of required calls to an (offline) optimization oracle per round, to $\tilde{\mathcal{O}}(\alpha^{-2})$ in the full information setting, and $\tilde{\mathcal{O}}(\alpha^{-2} + k^2T^{1/3})$ in the partial information setting, where $\alpha$ is the sensitivity for reporting fairness violations, and $k$ is the number of individuals in a round.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google